面向物联网隐私数据分析的分布式弹性网络回归学习算法

作     者：方维维 刘梦然 王云鹏 李阳阳 安竹林 FANG Weiwei;LIU Mengran;WANG Yunpeng;LI Yangyang;AN Zhulin

作者机构：北京交通大学计算机与信息技术学院北京100044 社会安全风险感知与防控大数据应用国家工程实验室北京100041 中国科学院计算技术研究所北京100190 

出 版 物：《电子与信息学报》 (Journal of Electronics & Information Technology)

年 卷 期：2020年第42卷第10期

页      面：2403-2411页

核心收录：

学科分类：0810[工学-信息与通信工程] 0808[工学-电气工程] 07[理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0708[理学-地球物理学] 

基　　金：北京市自然科学基金(L191019) 赛尔网络下一代互联网创新项目(NGII20190308)。 

主　　题：物联网 隐私保护 弹性网络回归 分布式算法 交替方向乘子法 

摘      要：为了解决基于集中式算法的传统物联网数据分析处理方式易引发网络带宽压力过大、延迟过高以及数据隐私安全等问题,该文针对弹性网络回归这一典型的线性回归模型,提出一种面向物联网(IoT)的分布式学习算法。该算法基于交替方向乘子法(ADMM),将弹性网络回归目标优化问题分解为多个能够由物联网节点利用本地数据进行独立求解的子问题。不同于传统的集中式算法,该算法并不要求物联网节点将隐私数据上传至服务器进行训练,而仅仅传递本地训练的中间参数,再由服务器进行简单整合,以这样的协作方式经过多轮迭代获得最终结果。基于两个典型数据集的实验结果表明:该算法能够在几十轮迭代内快速收敛到最优解。相比于由单个节点独立训练模型的本地化算法,该算法提高了模型结果的有效性和准确性;相比于集中式算法,该算法在确保计算准确性和可扩展性的同时,可有效地保护个体隐私数据的安全性。